CN109697695A - 可见光图像引导的超低分辨率热红外图像插值算法 - Google Patents
可见光图像引导的超低分辨率热红外图像插值算法 Download PDFInfo
- Publication number
- CN109697695A CN109697695A CN201811495665.9A CN201811495665A CN109697695A CN 109697695 A CN109697695 A CN 109697695A CN 201811495665 A CN201811495665 A CN 201811495665A CN 109697695 A CN109697695 A CN 109697695A
- Authority
- CN
- China
- Prior art keywords
- interpolation
- data
- thermal infrared
- images
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims 1
- 239000003086 colorant Substances 0.000 description 8
- 238000012800 visualization Methods 0.000 description 8
- 240000007651 Rubus glaucus Species 0.000 description 4
- 235000011034 Rubus glaucus Nutrition 0.000 description 4
- 235000009122 Rubus idaeus Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000013618 yogurt Nutrition 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
可见光图像引导的超低分辨率热红外图像插值算法，先给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到。本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得清晰的高分辨率热红外图像。该算法根据场景表面温度分布与场景物体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布图引导超低分辨率热红外传感器数据插值，可以得到真实场景的温度分布。
Description
技术领域
本发明涉及一种可见光图像引导的超低分辨率热红外图像插值算法，属于数字图像处 理、数字信号处理领域。
背景技术
对于数字图像而言，分辨率是一个非常重要的质量指标。通常廉价热红外传感器采集 到的图像数据分辨率极低，而价格高昂的热红外成像设备成像结果分辨率仍然不够高，无 法满足一般的应用需求。
提高图像分辨率算法主要分为三大类：基于插值、基于多帧重构和基于学习的方法。 基于插值的算法比较简单，应用广泛，能够满足一定分辨率技术的需求。插值算法根据维 度不同又分为多种。比如一维插值算法最近邻插值算法过程简单，计算方便。但在实际的 应用中，该方法对图像全局信息的考虑不足，使得结果图像产生很大的误差。二维插值方 法中的最近邻域插值法算法过程简单且易于理解和实现，对较小的运算插值速度很快，但 是在水平和垂直方向上对图像频谱衰减不够，使得插值结果图像质量不够高。双线性插值 会使得图像比较平滑，但是精度不够高。双三次插值会创造更平滑的图像。相较于双线性 插值，效果比较好，但是运行速度非常慢。基于多帧重建的图像分辨率算法虽然在图像质 量的改善优于插值算法，但是算法的复杂度太高，远超过插值算法的复杂度。基于学习的 方法重建图像分辨率起步较晚，并且也需要对适用的图像划分为专用算法与通用算法，但 是专用算法只适应于某种特定类型、尺寸的视频或者图像。
发明内容
针对超低分辨率热红外图像，本发明提出了一种可见光图像引导的超低分辨率热红外 图像插值算法，该算法是一种利用高分辨率可见光自然图像引导超低分辨率热红外图像插 值成为具有清晰细节的高分辨热红外图像的算法。该算法根据场景表面温度分布与场景物 体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布图来引导超低分 辨率热红外传感器数据插值，可以得到与真实场景温度分布相似的高分辨率热红外图像。
本发明采取的技术方案为：
可见光图像引导的超低分辨率热红外图像插值算法，该算法是一种基于加权最小二乘 法(Weighted Least Squares,WLS)的热红外图像快速引导插值(Thermal InfraredImage Fast Guided Interpolation,TIIFGI)算法，具体采用：将低分辨率热红外图像，利用高分辨率可见 光图像引导插值成为高分辨率热红外图像。TIIFGI低分辨率热红外图像插值算法，其特征 在于：给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到。 本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最 终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的 结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得 清晰的高分辨率热红外图像。
基于WLS的可见光图像引导的超低分辨率热红外图像插值算法，包括以下步骤：
步骤一：稀疏数据双三次插值：在第l级的插值过程直接采用双三次插值算法将低层 次稀疏低分辨率数据S插值成为高层次密集高分辨率数据I；
步骤二：稀疏数据彩色图像引导插值：将引导图像下采样到与当前层数据图像分辨率 相同。利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率的数据N插值成为高分辨率数据R；
步骤三：双三次插值和引导插值结果联合滤波：以步骤一和步骤二的输出I和R为输 入，执行联合滤波，得到滤波结果N；
步骤四：双三次插值结果和联合滤波数据一致性检验：在TIIFGI分层的插值框架中， 任何中间级中都不会产生一个全密集的数据集，否则会传播低信度的数据点到下一级中。 因此，需要谨慎的选取数据点增加到稀疏的输入数据集中。在当前迭代的最后一步进行一 致性检验，评估两次WLS插值后的数据和双三次插值后的数据点N之间的一致性。数据的有效性记录在矩阵M中。M中为1的位置表示有效点，否则为无效点；
步骤五：迭代循环：循环迭代上述步骤一至步骤四，直至插值结果的分辨率与引导图 像的分辨率相同为止,最终得到的高分辨率结果S，即为本算法的输出结果。
上述步骤通过廉价低分辨率红外传感器获取的超低分辨率热红外图像，经过引导插值 之后得到高分辨率热红外图像。
高分辨率数据R通过求解公式一得到：
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp,q是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q 相似性。
本发明中使用快速全局平滑技术(FGS)求解该线性系统，该技术通过一种分离的方式，求 解一系列一维的子系统来近似求解一个大的线性系统，对于一个二维输入图像，一维子系 统由水平和垂直方向定义。通过下列表达式可得出相应的联合滤波数据N:
所述步骤五中，输入数据I是密集的，不同于第一次WLS中滤波数据N的输入，使用的 TIIFGI框架级数为六级，即N＝6,进行了六次迭代，对于每一级，引导图像c也进行下采样， c0＝c，cn＝cn-1↓，↓表示下采样的因子为2。
本发明一种可见光图像引导的超低分辨率热红外图像插值算法，有益效果如下：
1)通过该算法可以通过廉价低分辨率红外传感器和可见光相机获取高分辨率热红外图 像。该算法精度高，效果明显，且插值后的图像细节清晰，能准确描绘物体表面的温度分 布，灵敏度高。
2)可以解决通过廉价热红外传感器获取到高分辨率图像，给人清晰的画面感，传递更 多语义信息。
3)本发明提出的可见光图像引导的超低分辨率热红外图像插值算法，根据场景表面温 度分布与场景物体表面分布相关的规律，利用高分辨率可见光图像提取场景物体表面分布 图引导超低分辨率热红外传感器数据插值，可以得到与真实场景温度分布相似的高分辨率 热红外图像；并且能清晰描绘物体的温度分布。
附图说明
图1为TIIFGI算法流程图。
图2(a)为高分辨率可见光单手指引导图像
图2(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图2(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图2(d)为对图2(c)伪彩色可视化显示的单手指高分辨率热红外图像
图3(a)为高分辨率可见光玻璃杯引导图像
图3(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图3(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图3(d)为对图3(c)伪彩色可视化显示的单手指高分辨率热红外图像
图4(a)为高分辨率可见光手掌引导图像
图4(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图4(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图4(d)为对图4(c)伪彩色可视化显示的手掌高分辨率热红外图像
图5(a)为高分辨率可见光多手指引导图像
图5(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图5(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图5(d)为对图5(c)伪彩色可视化显示的多手指高分辨率热红外图像
图6(a)为高分辨率可见光均匀球体的橙子引导图像
图6(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图6(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图6(d)为对图6(c)伪彩色可视化显示的橙子高分辨率热红外图像
图7(a)为高分辨率可见光酸奶盒引导图像
图7(b)为8×8超低分辨率热红外图像双三次插值后的结果图像
图7(c)为本专利算法利用引导图像对8×8热红外图像插值后的高分辨率热红外图像
图7(d)为对图7(c)伪彩色可视化显示的酸奶盒高分辨率热红外图像
具体实施方式
可见光图像引导的超低分辨率热红外图像插值算法，是一种基于加权最小二乘法WLS 的热红外图像快速引导插值(Thermal Infrared Image Fast GuidedInterpolation, TIIFGI)算法。先给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代 优化而得到。本发明技术方案采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插 值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导 插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层 最终可以获得清晰的高分辨率热红外图像。
步骤一：稀疏数据双三次插值：在第l级的插值过程。直接采用双三次插值算法将低 层次稀疏低分辨率数据S插值成为高层次密集高分辨率数据I。
p和q代表引导图像G中的像素点；rp表示输出图像p点像素值；gp为输入图像p点 的像素值；wp,q为权重函数。
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp,q是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q 相似性。
步骤二：稀疏数据彩色图像引导插值：将引导图像下采样到与当前层数据图像分辨率 相同。利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率的数据S插值成为高分辨率数据R。
步骤三：双三次插值和引导插值结果联合滤波。本发明中使用快速全局平滑技术(FGS) 求解该线性系统，该技术通过一种分离的方式，求解一系列一维的子系统来近似求解一个 大的线性系统，对于一个二维输入图像，一维子系统由水平和垂直方向定义。通过下列表 达式可得出相应的联合滤波数据N:
N为联合滤波数据，I为上级输出图像，wp,q为权重函数。
步骤四：双三次插值结果和联合滤波数据一致性检验。在TIIFGI分层的插值框架中， 任何中间级中都不会产生一个全密集的数据集，否则会传播一些信度较低的数据点到下一 级中。因此，这就需要谨慎的选取数据点增加到稀疏的输入数据集中。在当前迭代的最后 一步进行一致性检验，评估两次WLS插值后的数据和双三次插值后的数据点N之间的一 致性。数据的有效性记录在矩阵M中。M中为1的位置表示有效点，否则为无效点。
步骤五：迭代循环。循环迭代上述步骤一至四至插值结果的分辨率与引导图像的分辨 率相同为止,得到的高分辨率结果N即为本算法的输出结果。这里输入数据I是密集的，不 同于第一次WLS中N是稀疏输入。本发明使用的TIIFGI框架级数为六级，即N＝6,进行了六次迭代，对于每一级，引导图像c也进行下采样，c0＝c，cn＝cn-1↓(↓表示下采样的因 子为2)。
本发明算法，输入图像像素为8×8,结果输出图像为240×240。
本发明算法，能够还原场景物体真实的温度分布。
本发明算法，TIIFGI以一种由粗到细的迭代方式将问题分解成一系列较小尺度的插值 任务，逐渐缩小稀疏测量数据和密集真实数据之间的距离。假设TIIFGI层次结构有N级， 从最粗的一级(n＝N-1)开始引导插值，逐步产生信任的数据点，增加到稀疏的输入数据 中。重复这个过程直到最细的一级(n＝0)，这样原始的数据就逐渐趋于密集。
本发明算法中，双三次插值得到光滑插值。
本发明算法中，稀疏数据彩色图像引导插值。
本发明算法中，双三次插值和引导插值结果联合滤波。
本发明算法中一致性检验：利用一致性检验就可以剔除低信度的数据点，这一方案可 以防止低信度的新数据点污染下一个插值过程。
本发明算法，循环迭代算法6次，分层求解。
本发明算法，提高热红外图像分辨率和描绘场景温度分布。
实施例：
使用C++语言开发,开发环境为Visual Studio 2015,电脑配置为Intel Core i5CPU(3.2GHz)，内存为16GB。采用树莓派摄像头获取的视频帧作为引导图像，热红外传感 器获取的数据为输入数据。本发明使用的热传感器的型号为AMG8833，平均每秒可以获 得10组8×8的数据，利用I2C接口将其搭载到树莓派开发板上，然后将树莓派摄像头数 据和热红外数据通过网络同步传输至PC端。在实验中，固定参数λ1＝302，λ2＝302，设置 w(s,t)(g)中σc为0.005。
实验结果如图3(a)、图3(b)、图3(c)、图3(d)所示，左侧图3(a)为树莓派 摄像头获取的自然引导图像，分辨率设置为360×240，将其裁剪至240×240，图3(b)为将 原始8×8热红外输入数据通过双三次插值得到与引导图像大小一致的图像，图3(c)为使 用本发明算法引导插值得到的灰度图像，图3(d)为对插值结果进行伪彩色可视化显示的结 果。实验过程中可通过调节引导图像分辨率大小来得到不同分辨率大小的输出图像。从图 图3(b)中可以看出，由于输入数据过于稀疏，信息较少，直接对原始数据使用双三次插值 得到的结果十分模糊，几乎分辨不清场景中的物体信息。图3图(c)和图3图(d)表明：使用 本发明的方法能够得到一个较为清晰的热红外图像，图3(d)通过对插值结果进行伪彩色可 视化显示，能直观反映出场景中物体表面的温度分布情况，且物体与场景结构层次分明， 能够展示更多的细节信息，并对物体的边缘信息保留十分完整。
Claims (6)
1.可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：给定一个输入图像I和一个引导图像G，输出图像O可以通过多组迭代优化而得到，采用分层多组迭代插值方法获得结果图像，由粗糙层逐渐插值到精细层最终得到高分辨率热红外图像；在每一层采用一次三双次平滑插值和二次引导插值，得到的结果图像作为下一个精细层的稀疏输入；通过上述方式迭代插值至最精细层最终可以获得清晰的高分辨率热红外图像。
2.可见光图像引导的超低分辨率热红外图像插值算法，其特征在于包括以下步骤：
步骤一：稀疏数据双三次插值：在第l级的插值过程直接采用双三次插值算法将低层次稀疏低分辨率数据S插值成为高层次密集高分辨率数据I；
步骤二：稀疏数据彩色图像引导插值：将引导图像下采样到与当前层数据图像分辨率相同；利用WLS算法，以下采样后的自然图像为引导图像，将低分辨率的数据N插值成为高分辨率数据R；
步骤三：双三次插值和引导插值结果联合滤波：以步骤一和步骤二的输出I和R为输入，执行联合滤波，得到滤波结果N；
步骤四：双三次插值结果和联合滤波数据一致性检验：在TIIFGI分层的插值框架中，任何中间级中都不会产生一个全密集的数据集，否则会传播低信度的数据点到下一级中；因此，需要谨慎的选取数据点增加到稀疏的输入数据集中；在当前迭代的最后一步进行一致性检验，评估两次WLS插值后的数据和双三次插值后的数据点N之间的一致性；数据的有效性记录在矩阵M中；M中为1的位置表示有效点，否则为无效点；
步骤五：迭代循环：循环迭代上述步骤一至步骤四，直至插值结果的分辨率与引导图像的分辨率相同为止,最终得到的高分辨率结果S，即为本算法的输出结果。
3.根据权利要求2所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：
上述步骤通过廉价低分辨率红外传感器获取的超低分辨率热红外图像，经过引导插值之后得到高分辨率热红外图像。
4.根据权利要求2所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：高分辨率数据R通过求解公式一得到：
这里N4(p)表示像素p的四个邻域点，λ为平衡数据项和正规化项的权重，增加λ会导致R越平滑，wp,q是一个空间变化的权重函数，用来度量引导图像G中的两个像素p和q相似性。
5.根据权利要求2所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：使用快速全局平滑技术FGS求解该线性系统，通过一种分离的方式，求解一系列一维的子系统来近似求解一个大的线性系统，对于一个二维输入图像，一维子系统由水平和垂直方向定义；通过下列表达式可得出相应的联合滤波数据N:
6.根据权利要求2所述可见光图像引导的超低分辨率热红外图像插值算法，其特征在于：所述步骤五中，输入数据I是密集的，不同于第一次WLS中滤波数据N的输入，使用的TIIFGI框架级数为六级，即N＝6,进行了六次迭代，对于每一级，引导图像c也进行下采样，c0＝c，cn＝cn-1↓，↓表示下采样的因子为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811495665.9A CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811495665.9A CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697695A true CN109697695A (zh) | 2019-04-30 |
| CN109697695B CN109697695B (zh) | 2023-03-10 |
Family
ID=66230388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811495665.9A Active CN109697695B (zh) | 2018-12-07 | 2018-12-07 | 可见光图像引导的超低分辨率热红外图像插值算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697695B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445421A (zh) * | 2020-04-08 | 2020-07-24 | Oppo广东移动通信有限公司 | 图像滤波方法、装置、存储介质及移动设备 |
| CN112577439A (zh) * | 2020-12-03 | 2021-03-30 | 华中科技大学 | 基于红外和光学图像的微电子基板翘曲测量方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
| US20110052095A1 (en) * | 2009-08-31 | 2011-03-03 | Deever Aaron T | Using captured high and low resolution images |
| US20180330474A1 (en) * | 2016-01-16 | 2018-11-15 | Flir Systems, Inc. | Systems and methods for image super-resolution using iterative collaborative filtering |
-
2018
- 2018-12-07 CN CN201811495665.9A patent/CN109697695B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246545A (zh) * | 2008-02-22 | 2008-08-20 | 华南师范大学 | 一种光学遥感图像去云的泊松方法 |
| US20110052095A1 (en) * | 2009-08-31 | 2011-03-03 | Deever Aaron T | Using captured high and low resolution images |
| US20180330474A1 (en) * | 2016-01-16 | 2018-11-15 | Flir Systems, Inc. | Systems and methods for image super-resolution using iterative collaborative filtering |
Non-Patent Citations (4)
| Title |
|---|
| BIAO XIONG: "Dust Removal with Boundary and Spatial Constraint for Videos Captured in Car", 《IEEE》 * |
| 杨风健等: "基于MLX90620的低成本红外热成像系统设计", 《传感器与微系统》 * |
| 王宇等: "结合同场景彩色图像的深度图超分辨率重建", 《光学学报》 * |
| 邱康等: "协作稀疏字典学习实现单幅图像超分辨率重建", 《光学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445421A (zh) * | 2020-04-08 | 2020-07-24 | Oppo广东移动通信有限公司 | 图像滤波方法、装置、存储介质及移动设备 |
| CN112577439A (zh) * | 2020-12-03 | 2021-03-30 | 华中科技大学 | 基于红外和光学图像的微电子基板翘曲测量方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697695B (zh) | 2023-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feixas et al. | A unified information-theoretic framework for viewpoint selection and mesh saliency | |
| CN113361560B (zh) | 一种基于语义的多姿势虚拟试衣方法 | |
| CN110910437B (zh) | 一种复杂室内场景的深度预测方法 | |
| CN112002009B (zh) | 一种基于生成对抗网络的无监督重建三维人脸方法 | |
| CN116205962B (zh) | 基于完整上下文信息的单目深度估计方法及系统 | |
| CN117597703A (zh) | 用于图像分析的多尺度变换器 | |
| CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
| CN114612902A (zh) | 图像语义分割方法、装置、设备、存储介质及程序产品 | |
| CN109697695A (zh) | 可见光图像引导的超低分辨率热红外图像插值算法 | |
| CN117095132B (zh) | 基于隐式函数的三维重建方法和系统 | |
| Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
| CN117217997A (zh) | 一种基于上下文感知边缘增强的遥感图像超分辨率方法 | |
| CN112686830A (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
| Heel | Temporal surface reconstruction | |
| Niu et al. | [Retracted] Application of Artificial Intelligence Combined with Three‐Dimensional Digital Technology in the Design of Complex Works of Art | |
| CN113628111B (zh) | 基于梯度信息约束的高光谱图像超分辨方法 | |
| US20210390772A1 (en) | System and method to reconstruct a surface from partially oriented 3-d points | |
| Xu et al. | Single-shot 3D shape reconstruction for complex surface objects with colour texture based on deep learning | |
| Wang et al. | Neighbor Spectra Maintenance and Context Affinity Enhancement for Single Hyperspectral Image Super-Resolution | |
| CN114494576A (zh) | 一种基于隐函数的快速高精度多视点人脸三维重建方法 | |
| Schenk et al. | Hierarchical approach to reconstruct surfaces by using iteratively rectified imagery | |
| CN113593007A (zh) | 一种基于变分自编码的单视图三维点云重建方法及系统 | |
| CN113506362A (zh) | 基于编码解码网络的单视角透明物体新视图合成的方法 | |
| Feng et al. | 3D reconstruction of light-field images based on spatiotemporal correlation super-resolution | |
| CN115830461B (zh) | 基于深度序列卷积网络的高光谱图像识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |